[发明专利]一种基于多特征的单目标跟踪方法

说明书

本发明公开了一种基于多特征的单目标跟踪方法。所公开的方法包括采用相关滤波器跟踪方法分别对卷积特征和差分图像特征进行相关操作，对相关操作得到的响应图进行融合后，以融合结果为动态目标坐标修正依据对目标进行跟踪。本发明改进了传统方法的对目标周围环境变化、自身形变或者目标遮挡因素带来的跟踪精度低的现状，有效的提高了目标跟踪的精度。

技术领域

本发明属于计算机视觉领域，涉及红外目标跟踪和深度卷积神经网络算法，可应用于红外目标跟踪场景。

背景技术

近年来，判别式方法成为目标跟踪中的主流方法，常用方法有：支持向量机跟踪算法，相关滤波跟踪算法等。Avidan等人首次将支持向量机的方法引入目标跟踪，Hare等人提出了结构化输出目标跟踪算法(Structured Output Trackingwith Kernels，Struck)。使用了核结构输出的支持向量机(SVM)，通过明确引入输出空间来达到跟踪效果，能够避免中间分类环节。

2015年，Danelljan等人提出了SRDCF(Spatially Regularized DiscriminalCorrelation Filters)算法，该算法存在抗干扰能力不强，目标容易丢失、跟踪准确度低。

发明内容

针对现有技术的区别或不足，本发明提供了一种基于多特征的单目标跟踪方法。

本发明提供的基于多特征的单目标跟踪方法是对待跟踪视频中的各帧图像按照时间顺序依次进行跟踪，所述各帧图像处于同一坐标系，方法包括：

步骤一，标注第一帧图像的目标坐标，采用第一帧图像对相关滤波器进行初始化，获取初始的卷积特征相关滤波器模型；

步骤二，提取第二帧图像的多尺度卷积特征，提取时以第一帧目标坐标做为第二帧图像的临时目标坐标；

利用初始的卷积特征相关滤波器模型对第二帧图像的多尺度卷积特征进行相关操作，得到第二帧的卷积特征响应图，该响应图的峰值坐标与该响应图中心坐标的差值加上第一帧图像坐标为第二帧的目标坐标；

求取第二帧图像与第一帧图像的差分图像，利用该差分图像初始化相关滤波器，获取初始的差分图像的卷积特征相关滤波器模型，初始化过程中以第二帧的目标坐标为当前差分图像的目标坐标；

利用第二帧图像对初始的卷积特征相关滤波器模型进行更新；

步骤三，循环执行步骤(1)-(5)依次对第三帧及其以后的图像进行目标跟踪：

(1)提取第n帧的多尺度卷积特征，n≥3，提取时以n-1帧目标坐标做为当前帧的临时目标坐标；求取第n帧与第n-1帧的差分图像，提取该差分图像的多尺度卷积特征；

(2)利用当前卷积特征相关滤波器模型对第n帧的多尺度卷积特征进行相关操作，得到第一响应图；利用当前差分图像的卷积特征相关滤波器模型对当前差分图像的多尺度卷积特征进行相关操作，得到第二响应图；

(3)采用式(Ⅰ)对第一响应图和第二响应图进行融合，得到融合后的响应图(或融合后的响应图矩阵)R；

式(1)中：

m＝1或2，m＝1表示卷积特征或第一响应图，m＝2表示差分图像的卷积特征或第二响应图；

f_m表示权重,f₁＝1.1,f₂＝1；

R_m为相应的特征响应图(或相应的特征响应图矩阵)；

max(R₁，R₂)表示两个响应图中的最大响应值；